阅读 html 时出现 HtmlAgilityPack 问题答案

【问题标题】：HtmlAgilityPack Issue in reading html阅读 html 时出现 HtmlAgilityPack 问题
【发布时间】：2013-06-18 13:00:21
【问题描述】：

我正在阅读 C# 中的网站并以字符串形式获取内容....有些网站没有格式良好的 html 结构。

我正在使用 HtmlAgilityPack 在这种情况下会给我带来问题。

你们能否建议我使用什么，以便它可以读取整个字符串并且我可以获得有用的信息？

这是我的代码

 htmlDoc.LoadHtml(s);
  if (htmlDoc.ParseErrors != null && htmlDoc.ParseErrors.Count() > 0)

为什么这个 IF 条件适用于我的情况

【问题讨论】：

【解决方案1】：

您遇到的错误是什么？它是抛出异常还是您只是想查看错误？很难说出你的实际问题是什么。

您可以使用HtmlDoc.ParseErrors 属性查看HTML 中的标记错误并对其进行迭代。这将为您提供行号、代码和错误类型。

您可以在此处查看有关此属性的更多信息 https://stackoverflow.com/a/5367455/235644

编辑

好的，自从我回复您后，您已经更新了您的问题。您可以通过上述.ParseErrors 循环查看在您的 IF 语句中返回 true 的特定错误。

二次编辑

您可以像这样循环错误：

 foreach (var error in htmlDoc.ParseErrors)
 {
      Debug.WriteLine(error.Line);
      Debug.WriteLine(error.Reason);
 }

【讨论】：

ParseErrors.count 给我 59 所以它出现在 IF 条件下。当我使用“htmlDoc.ParseErrors.ToString();”它给了我这个错误...“System.Collections.Generic.List`1[HtmlAgilityPack.HtmlParseError]”
你不能只在列表上调用.ToString()。您需要遍历每个错误。
@Methew - 我已经更新了我的答案，以演示如何循环通过 ParseErrors
我检查了“htmlDoc.ParseErrors”，它告诉我 _code="EndTagNotRequired" 和 _reason End Tag 不是必需的...
好的 - 这样回答你的问题不是吗？

【解决方案2】：

您必须修复 HTML 中的错误，在它生效后您可以继续。这是同样的问题： Invalid HTML in AgilityPack

【讨论】：

我检查了“htmlDoc.ParseErrors”，它告诉我 _code="EndTagNotRequired" 和 _reason End Tag 不是必需的...
@speti - 我收集到这不是他的 HTML，因为他说他是 reading websites。我假设是某种蜘蛛。
@DaveHogan：100% 正确……我有一只蜘蛛，现在该怎么办？
我没说要纠正网站html，只是纠正内存中加载的html，但是他可以纠正一个具体的错误，所以不是一劳永逸的办法。
我使用“HtmlNode.ElementsFlags.Remove("option");"..现在它给了我 En Tag 不需要...

【解决方案3】：

如果您的 html 是外部的并且您无法修复它，您可以先通过清理预处理器运行它，然后使用 HtmlAgilityPack 对其进行解析。

这将尝试在HtmlAgilityPack 看到它之前自动修复尽可能多的问题。最流行的 HTML 清理工具是 Tidy。在此处查看 .NET 版本：

【讨论】：